Cartoon Audio Short (v2)
Criado pelo canal WHATIF ANIMATIONSTORYS.
Pipeline: ideia → roteiro → narração → MP4 finalizado.
Construção de referência: "O Soldado Que Nunca Partiu" (19,7 s, 8 planos), incluída em kit/example/soldier/.
O visual
- Personagens: cartões planos 2D de "cabeça de feijão" desenhados em tela. Eles têm contornos em ameixa e expressões grandes e legíveis, e estão sempre em movimento (respirando, piscando, balançando a cabeça).
- Mundo: um cenário 3D saturado construído a partir de formas simples. Texturas planas pintadas com costuras escuras, contornos pretos, sombreamento toon e névoa da cor do horizonte.
- Câmera: movimentos suaves e amenizados, com profundidade de campo em closes. Nada estático jamais.
- Formato: 1080x1920, 30 fps, exatamente o tempo da narração.
- Som: a voz do usuário intocada. Uma base musical estilo marcha sintetizada e efeitos sonoros ficam a 50% (−6 dB) do nível da voz.
Regras rígidas
- Original apenas. Nunca recriar o vídeo de outro criador plano a plano; ofereça uma versão original sobre a mesma ideia.
- Sem pessoas reais e nomeadas como personagens. Sem mascotes de marcas, logotipos ou personagens protegidos por direitos autorais.
- Sem legendas, a menos que solicitado. Texto diegético (placas, entalhes) é permitido, mas deve ser legível corretamente, nunca espelhado.
- Nunca editar, cortar, acelerar ou reajustar o tempo da voz. A imagem é sincronizada com a voz. Cada reação visual acontece de 0 a 3 quadros antes da sua palavra.
- A proporção de áudio é fixa:
- A música fica a −6,0 dB em relação à voz (RMS com gate).
- Os efeitos sonoros (SFX) ficam a −6 dB ou abaixo, com picos de no máximo 0,7× o pico da voz.
- Misturar sempre com
mix.py. Sem ducking, sem compressão no mix. - Apenas um ganho linear mais um limitador de pico são aplicados ao mix inteiro (
finish.sh).
- Verificar fatos apresentados como verdadeiros com uma pesquisa na web primeiro. Enquadrar lendas virais como "a lenda diz".
- Nada gráfico, nada político e nenhuma pessoa real viva como alvo de piada.
- Continuar trabalhando sem paradas para aprovação. Faça uma pergunta apenas quando o trabalho realmente não puder continuar sem a resposta.
- Manter o usuário informado com uma lista de tarefas. Envie uma prancha de contato (contact sheet) antes da renderização longa.
Roteamento (escolha o ponto de entrada)
| O usuário tem | Vá para |
|---|---|
| Áudio anexado (+ roteiro) | Estágio 4 imediatamente |
| Áudio, sem roteiro | Peça o texto do roteiro (Claude não ouve áudio sem ASR) → Estágio 4 |
| Um roteiro, sem voz | Estágio 3 (ajustar) → aguarde o áudio |
| Apenas um tópico | Estágio 3 diretamente (verificar fatos) |
| Nada / "me dê ideias" | Estágio 2 |
Se não estiver claro, faça UMA pergunta: "Por onde você está começando? (ideias / roteiro / narração pronta)". Pergunte também a duração desejada, se não fornecida. O padrão é 20–30 s; até 60 s é permitido.
Estágio 2: 10 ideias
Dê exatamente 10, numeradas, em uma única resposta. Termine com: "Responda com um número, ou 'mais' para 10 novas."
N. TÍTULO (5–8 palavras, que despertem curiosidade)
Gancho: a primeira frase falada — um paradoxo apresentado como fato.
Reviravolta: a última linha irônica.
Grandes visuais: 2–3 momentos (colapso / revelação / perseguição / transformação).
Status: VERDADEIRO (documentado) · QUESTIONÁVEL · LENDA
Uma ideia perfeita tem:
- Uma história surpreendente com causa e efeito físicos que possam ser MOSTRADOS.
- Um herói comum, apostas que aumentam e uma reviravolta na última linha.
- Um cenário que possa ser construído com caixas, cilindros e esferas, além de cartões (cidade, ponte, navio, castelo, deserto, laboratório, palácio, fazenda, porto, mina).
- Um "antes vs depois" que possa ser visto em um único quadro, o que gera uma miniatura forte.
Distribua as 10 entre antigo, medieval, século XIX, moderno, ciência, animais, invenções, desastres, leis estranhas e acidentes de sorte. Verifique cada ideia VERDADEIRA ou QUESTIONÁVEL com uma pesquisa na web antes de listá-la.
Estágio 3: Roteiro
Dimensionar o roteiro para cerca de 3,7 palavras faladas por segundo: 20 s ≈ 75 palavras, 30 s ≈ 110, 45 s ≈ 165, 60 s ≈ 220.
Estrutura:
- Gancho (primeira frase, sem introdução): o fato absurdo. Deve aparecer nos primeiros 1,5 s.
- Ambientação (1–2 linhas): quando, onde, quem e um detalhe concreto.
- Escalada (2–4 batidas, cada uma maior). Os outros duvidam ou zombam. Incluir uma piada de exagero.
- Pivô: "Mas quando..." / "Você vê..." introduz o mecanismo real, idealmente com uma analogia do cotidiano.
- Reviravolta: curta e irônica, e as ÚLTIMAS palavras do vídeo. Bônus: que permita voltar ao gancho para que o curta se repita naturalmente.
Estilo:
- Inglês falado simples, com contrações.
- Frases de 8 a 15 palavras; números escritos por extenso.
- Sem indicações de cena no texto falado.
- Nunca descreva o que o espectador já vê.
Autoverificação (corrigir silenciosamente se qualquer um falhar): contagem de palavras dentro de ±10% da meta; o gancho é uma afirmação, não uma pergunta; cada frase pode ser ilustrada literalmente; a reviravolta tem 12 palavras ou menos e vem por último; os fatos coincidem com as fontes.
Responda com:
- a) O roteiro em um bloco de código, com a contagem de palavras e os segundos estimados.
- b) Um parágrafo de plano visual.
- c) Dicas de gravação:
- Um narrador calmo e constante. ElevenLabs funciona bem: uma voz de narrador grave, velocidade ~1,05–1,1, estabilidade ~45–55%.
- MP3 ou WAV é aceitável.
- Deixe pausas naturais no final das frases.
- Exporte SEM música.
- d) "Carregue a narração quando estiver pronta e eu farei o vídeo completo."
Mantenha o texto final do roteiro, pois ele conduz o tempo. Se ele gravar uma versão modificada, peça o texto final.
Estágio 4: Construção (sem paradas a partir daqui)
Crie a lista de tarefas: Configuração · Tempo · Plano de planos · Mundo · Elenco · Movimento · Prancha de contato → usuário · Som · Renderização completa · Finalização + QA · Entrega.
4.0 Configuração
SK=$(dirname "$(find / -name SKILL.md -path '*cartoon-audio-short*' 2>/dev/null | head -1)")
bash "$SK/kit/tools/setup.sh" ~/shorts/<slug> # trate $SK/kit como somente leitura
cd ~/shorts/<slug> && cp <uploaded voice> voice.mp3 && printf '%s' "<final script>" > script.txt
./short.sh doctor
setup.shcopia o motor, as ferramentas e o exemplo funcional (como oweb/story.jseaudio.pyiniciais). Instala three.js r160 e a base toon dekit/vendor/(sem necessidade de rede), compila e verifica a sintaxe deweb/toon.js, e vincula o Playwright. Sai com código 3 se o three.js estiver faltando.- Requisitos: Node 22.6+, Python 3 + numpy + Pillow, ffmpeg (libx264, alimiter, ebur128), Playwright + Chromium. Se o Playwright estiver faltando:
npm i -g playwright && npx playwright install chromium. - Nunca desabilite TLS ou ignore um proxy. Se uma instalação for bloqueada, informe qual pacote e continue com o que está instalado.
- Chromium usa CPU WebGL (swiftshader) a cerca de 3–5 s por quadro por worker. Um curta de 20 s (600 quadros) leva aproximadamente 20–50 min; planeje-se.
4.1 Tempo: ./short.sh timing
- Se o whisper ou faster-whisper estiver instalado, usa timestamps de palavras. Caso contrário, alinha frases do roteiro à fala detectada por silêncio com um algoritmo de DP entre sílabas/duração.
- Imprime as frases com intervalos de quadros e linhas de AVISO (frases muito curtas, sobreposições, caudas longas, início tardio, gravação que não corresponde ao roteiro). Resolva os avisos mesclando planos, corrigindo
work/phrases.jsonmanualmente ou pedindo o texto final. - N = total de quadros =
frames30emwork/phrases.json(medido a partir do áudio decodificado).
4.2 Plano de planos: work/PLAN.md, antes de qualquer código
Faça uma linha por plano: | # | quadros | palavras | cenário | luz | câmera | elenco/pose/rosto | FX | SFX |
- O quadro 0 É a imagem do gancho: sem fade-in, sem cartão de título.
- Cerca de um plano por frase. Mescle frases mais curtas que 0,6 s no próximo plano.
- Ilustre cada frase literalmente; os adereços carregam as piadas.
- Ritmo de tamanho de plano: gancho PMC → abertura ampla → plano de dois → insert no objeto-chave → close de reação → movimento do ambiente para o desfecho. Nunca use o mesmo tamanho duas vezes seguidas.
- A luz define o clima: dia (normal), dourado (drama/declínio), azul noturno (explicação). Uma mudança de tempo recebe um flash branco de 6 quadros.
- A reviravolta recebe um "sting": a música para, um golpe baixo, um zoom-in com uma rotação de 3–5°. O desfecho físico acontece na palavra final.
- O último quadro deve ser uma imagem forte que corte limpo de volta ao quadro 0 para looping.
4.3 Mundo (web/main.js, web/story.js)
- Mantenha as seções do motor em
main.js: materiais toon, contrato de contorno, add/tbox, céu, luzes, cartões, alvos de renderização/pós, applyLight, drawActors, swapForNd, renderFrame. - Substitua apenas o mundo de exemplo entre
// ---------- world ----------e// ---------- cards ----------, além das partes da história deworldState()e quaisquer adereços (o exemplo do soldado tem um adereço de capacete 3D). story.jsexporta SHOTS, TOTAL, shotAt, camAt, dofAt, LIGHTS/lightFor, worldAt, actorsAt(f, T) e fxAt(f, T). Todas são funções puras do quadro. DefinaTOTAL= N.- Texturas vêm de
paint.js: prancha, viga, podre, pedra, musgosa, grama, terra, gesso, telhado, mármore, bandeira, texto entalhado. Novos pintores usam o mesmo estilo de cor plana com costuras escuras. - Use
tboxpara densidade constante de texel, um gradiente toon de 2 passos e névoa = cor do horizonte. - Camadas de fundo: colinas esférias semi-enterradas, montanhas cônicas com topos nevados, ciprestes/pinheiros, casas distantes e painéis de nuvens pintadas.
- Peças de cenário (colapsos, quedas, portas) são grupos pivotados conduzidos por progresso 0..1 de
worldAt(f), amenizados e escalonados. - Texto diegético curvo usa UVs planares. Verifique se não está espelhado.
4.4 Elenco (web/roman.js → web/toon.js)
romanFront(p, outfitKey, opts)desenha em uma tela de design de 600x1000 com solas em y=975. O cartão tem 2,25 m de altura, então 1 unidade de design = 0,00225 m.- Trajes (
OUTFITS): legionário, velho, toga, civA, civB, civC, workA, workB. Adicione novos com chaves de túnica/capa/armadura/capacete/cabelo/gorro/barba/avental/vestido/toga. - Poses de braço: pendurado, lança, apontar, para cima, acenar, quadril, barriga, templo(+redemoinho), levantar, alcançar(+levantar), bochecha, escudo, cruzar, polegar.
- Rostos: o conjunto FACE base toon mais ressonar, teimoso e apertar os olhos. Estenda FACE para mais.
- Após edições no elenco, reconstrua com
cat web/toonbase.js web/roman.js > web/toon.js. Em seguida, execute./short.sh caste VEJAstills/cast_sheet.pngantes de usar um design. - Painéis (billboards) giram apenas no eixo Y, recebem um blob de contato e uma sombra com teste alfa, e nunca são contornados pela passagem do mundo.
- Construa chaves de cartão a partir de valores arredondados por
q()para que a tela seja redesenhada apenas em uma alteração visível. - Uma parte destacada (ex.: um capacete levantado) é seu próprio cartão:
y = DECK + (partY − hc) × 0,00225, alinhado comheadCenter(seed). - Dê ao herói UM traço característico (cor, chapéu, adereço) para que seja lido instantaneamente em tamanho de celular.
4.5 Movimento (web/motion.js): suave e vivo
Câmeras:
- Use
camFromKeys(keys, f, {kicks}): deslizamentos suaves de 18 a 45 quadros, easeOut para revelações e movimentos rápidos, epathvia-pontos (Catmull-Rom) para curvas. - Toda segura se move; nada está estático por mais de 4 quadros.
- Drama recebe uma rotação de 3–5°; impactos recebem um tremor de 7 quadros via
kicks. - Prefira movimentos contínuos (recuo, rack focus, grua, zoom-in). Corte seco apenas em mudanças de lugar ou tempo, com um flash.
Personagens:
- Eles nunca congelam: aplique
idle(f, seed)a cada cartão,blinkAtpara piscadas e balanços de cabeça em palavras estressadas. - Ações seguem antecipação → excesso → ajuste de mola (
M.anticip,M.back,M.spring). Um pisão é uma batida de 2 quadros + puf de poeira + chute. Uma risada é uma inclinação alternada + balanço. - Caminhadas:
walk()dá distância mais fase do passo. Mantenha os pés plantados com um balanço de 3–7%.
Movimento secundário está sempre presente: tecido, folhas, poeira, gotas, Zzz, água.
Lente: profundidade de campo em closes e médios (cIr 8–14 px), focada nos olhos. Grandes planos permanecem nítidos. Racks levam ~14 quadros.
4.6 Verificação visual (OBRIGATÓRIA antes da renderização completa)
Execute ./short.sh stills "5,40,90,..." a, escolhendo o meio de cada plano mais as transições e ações-chave. Ele escreve stills/sheet_a.jpg com rótulos de quadro. Abra-o e corrija cada armadilha:
- Enquadramento: metade da largura = d·tan(hfov/2), onde hfov = 2·atan(tan(vfov/2)·0,5625). A 4 m e fov 40, isso dá apenas ±0,8 m, então posicione os personagens em PROFUNDIDADE.
- Obstruções: sem grades ou postes sobre os rostos; a câmera não está dentro de grades, casas, telhados ou arbustos.
- Espaçamento: nenhum adereço de primeiro plano a menos de ~2 m; o herói nunca está escondido atrás de um pilar.
- Texto e partes: o texto não está espelhado; os cartões de partes destacadas estão deslocados corretamente.
- Grupos de extrusão: 0 = tampas, 1 = laterais + topo.
- Contorno: presente em todos os lugares. Se não, depure com
HASH=#e(apenas bordas) eHASH=#nd(normal/profundidade). O raio do contorno é ~2,5 px a 1080; o céu conta como profundidade distante, não um cartão. - Tamanho de celular: os rostos ainda são legíveis com a prancha visualizada a 25%.
Envie a prancha ao usuário com um resumo de uma linha por plano e, em seguida, inicie a renderização completa sem esperar.
4.7 Som: ./short.sh sound
- Trave o tempo da imagem primeiro. Qualquer alteração de tempo significa reexecutar o som.
audio.pycontém APENAS a tabela de cues. Os sintetizadores estão emsynth.py:- Música:
march,drone, PROG_MENOR/PROG_MAIOR, pluck, brass, drum. - SFX: whoosh, thunk, rumble, crash, scrape, ting, sting, creak, snap, splash, snore, leaves, water, cuckoo, pop, boing, footstep/steps, wind, crowd.
- Música:
- A música para na linha da reviravolta (
march(..., end=TWIST)), entãodronecontinua até o final. - Salve a faixa de SFX com
crest_db=14. Isso doma os transientes para que os SFX possam ficar perto de 50% abaixo do limite de pico. mix.pyimprime os níveis. Confirme que a música mostra −6,0 dB vs. a voz (OK) e os SFX estão iguais ou abaixo (OK). Nunca ajuste manualmente; corrija as faixas de origem.
4.8 Renderização + finalização
- Renderize com
WORKERS=2 ./short.sh renderusandorun_in_backgrounddo Bash. Verifique./short.sh progress(feito, s/quadro, ETA) de um loop do Monitor. - Os quadros são escritos atomicamente. Após uma interrupção, use
RESUME=1 WORKERS=2 ./short.sh render. - Use WORKERS=1 em máquinas com 4 núcleos ou menos. Não execute Python pesado junto.
- Em seguida, execute
./short.sh finish "Título":- Verifica se os quadros estão completos e contínuos.
- Aplica UM ganho linear medido para −14 LUFS mais um limitador de −1 dBFS, e codifica H.264 CRF 17 + AAC.
- O QA cobre tamanho, duração vs. voz, quadros congelados/pretos, volume e níveis do mix. Ele escreve
out/qa.txteout/qa_sheet.jpge sai com código 1 em qualquer FALHA.
4.9 Definição de concluído
- Duração = duração da voz (±1 quadro); 1080x1920; 30 fps; sem interlacing.
- Cena de 1080x1920 em 30 fps reta. Sem rajadas de 29,97.
- Contraste nunca preto ou branco absoluto.
- O áudio da voz está no centro, −16 LUFS integrado ±2 LU, sem picos de verdade absoluta acima de −1 dBFS.
- A música está a −6,0 dB vs. a voz medida em RMS com gate integrado.
- SFX misturados a ou abaixo de −6 dB vs. a voz; picos de SFX ≤ 0,7× o pico da voz.
- Nenhum quadro preto ou congelado.
- O contorno está visível em todos os quadros.
- Verificado em
out/qa.txteout/qa_sheet.jpg. - Um único arquivo
final.mp4emout/. - O usuário recebeu o
out/final.mp4(arquivo) mais um resumo de 1–2 linhas.
Notas de implementação (para o assistente):
- Mantenha o exemplo do soldado intocado (
$SK/kit/). Ele serve como verificação de integridade e como fonte pararoman.jsestory.js. - O motor é formulado (
main.js,toonbase.js) para que nenhuma alteração a maioria dos projetos precise tocar emmain.jsoutoonbase.js. Novos conjuntos de personagens são adicionados comoweb/cast.jsseparado e importados porcat. - O
pluckemsynth.pyaceita uma nota MIDI e um envelope. Use-o para jingles de transição. - Um string pad (
drone) fornece o fundo que preenche silêncios na música de marcha.
# Exemplo de sessão de trabalho
SK=$(dirname "$(find / -name SKILL.md -path '*cartoon-audio-short*' 2>/dev/null | head -1)")
bash "$SK/kit/tools/setup.sh" ~/shorts/soldier
cd ~/shorts/soldier
cp ~/voiceover.mp3 voice.mp3
echo "O soldado que nunca partiu..." > script.txt
./short.sh doctor
./short.sh timing
# Crie work/PLAN.md
./short.sh stills "5,40,90,150" a
./short.sh sound
WORKERS=2 ./short.sh render
./short.sh finish "O Soldado"
Índice de materiais de referência
| Arquivo | Propósito |
|---|---|
kit/example/soldier/ | Projeto completo de referência de 19,7 s / 8 planos |
kit/tools/setup.sh | Inicializador do projeto |
kit/vendor/three.js | Three.js r160 (cópia local, sem CDN) |
kit/tools/mix.py | Mistura de áudio estéreo |
kit/tools/finish.sh | Codificador de vídeo + QA |
kit/tools/short.sh | Orquestrador (cada subcomando aciona um script ou verificação) |
| Exemplo de pintura | Planks.png, beam.png, rotten.png, stone.png, etc. em kit/textures/ |
Guia rápido de depuração
| Problema | Chave de hash |
|---|---|
| Contornos invisíveis | HASH=#e (apenas contornos) |
| Profundidade/normais quebrados | HASH=#nd (buffer normal/profundidade) |
| UVs de textura | textura=HASH (apenas textura) |
| Cartão não aparece | Verificar DECK e headCenter(seed) |
| Prancha de contato sem rótulos | Executar ./short.sh stills sem o argumento a |
Tradução e adaptação para o português do SKILL.md original da WHATIF ANIMATIONSTORYS. Para uso com assistentes de IA especializados em animação procedural.